矩阵整形：从质控到细胞图谱

第 3 章 · 矩阵整形：从质控到细胞图谱

本章要回答的三个问题：一张刚出炉的计数矩阵，凭什么要先过滤再归一化、顺序能不能换？主成分到底取多少个、聚类分辨率怎么调才不是拍脑袋？分出 cluster 之后，凭什么说它是 T 细胞而不是别的？

为什么会有这一章

第二章结束时你手里的矩阵是"生的"：死细胞与双联体混在里面冒充稀有细胞类型，测序深度差异制造着批间假差异，两万个基因里九成在大多数细胞里默默无闻。直接拿这张表做聚类，出来的"细胞类型"会混合技术噪声与生物学信号，注释时自相矛盾。矩阵整形要做的，就是把技术噪声一层层剥掉，把生物学信号一步步放大——顺序是固定的：先过滤（坏细胞不配进分析）、再归一化（消除深度差异）、再挑高变基因（只带信号强的基因上路）、再降维聚类（把相似细胞放在一起）、最后注释（给每群细胞起生物学名字）。

这个顺序不是习俗而是逻辑：归一化前不过滤，死细胞的极端深度会扭曲缩放因子；降维前不挑基因，海量零信号基因稀释主成分的生物学含义；注释前不聚类，注释就失去了对象。理解了这层依赖，后面每一节的参数选择都有了锚点。

本章管线全景

管线里最值得注意的箭头是最后那个回退：图谱不合理时，第一反应不是换聚类算法，而是回到质控检查阈值——返工成本最低的位置永远是管线的上游。全章六节按这条链依次展开，每节都带可跑代码与参数表。

读完能解决什么

• 独立设定三个质控指标的阈值：基因检出数下限常在两百上下、上限常在六千上下、线粒体比例阈值在百分之五到二十之间按组织选，并说明你的样本为什么取这些数；
• 用 Scrublet 或同类工具做双细胞检测，理解为什么分数阈值要按数据分布调；
• 在总计数归一化加对数化与 SCTransform 两条路线之间做选型，知道各自的坑；
• 按拐点与方差贡献率选主成分个数（十到五十是常见区间），按模块度扫描聚类分辨率（零点几到一点几）；
• 用标记基因、参考映射两条路线给 cluster 注释，并用一致性与比例合理性做交叉验证。

常见返工的三个触发点

本章管线的返工集中在三个位置，提前打预防针。第一是质控阈值拍脑袋：不看分布直接抄论文数字，把代谢活跃的组织按外周血阈值砍掉一半真细胞，下游全链作废——所以 3.1 节反复强调"先画图再下刀"。第二是归一化顺序错乱：对 log 之后的数据再归一化、或丢了 counts 层没法做差异表达，都是不可逆的整形事故——遵守"归一化前存原始计数"的纪律可完全避免。第三是聚类分辨率一步到位：直接锁定一个分辨率不再扫描，结果要么碎成渣要么糊成团，还要回头重跑——分辨率扫描加标记基因抽查（3.5 节）的成本极低，却能把图谱的可解释性提高一个档次。这三个触发点的共同解法是把验证动作放在便宜的位置，这也是全章的元方法。

各节怎么分工

先决条件与往下走到哪

本章代码全部建立在第一章的环境与第二章的矩阵之上；若你拿的是现成矩阵，从 3.1 开始即可。走完本章，你将得到一张可解释的细胞图谱——第四章会把它推进到时间轴（轨迹）与因果叙事（通讯与差异表达），那是图谱真正开始回答生物学问题的地方。